CN115993407A - 早期慢性肾脏病的标志物及其用途 - Google Patents
早期慢性肾脏病的标志物及其用途 Download PDFInfo
- Publication number
- CN115993407A CN115993407A CN202211257199.7A CN202211257199A CN115993407A CN 115993407 A CN115993407 A CN 115993407A CN 202211257199 A CN202211257199 A CN 202211257199A CN 115993407 A CN115993407 A CN 115993407A
- Authority
- CN
- China
- Prior art keywords
- marker
- kidney disease
- chronic kidney
- xylene
- heptanone
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000020832 chronic kidney disease Diseases 0.000 title claims abstract description 130
- 239000003550 marker Substances 0.000 title claims abstract description 69
- MSXVEPNJUHWQHW-UHFFFAOYSA-N 2-methylbutan-2-ol Chemical compound CCC(C)(C)O MSXVEPNJUHWQHW-UHFFFAOYSA-N 0.000 claims abstract description 123
- HCFAJYNVAYBARA-UHFFFAOYSA-N 4-heptanone Chemical compound CCCC(=O)CCC HCFAJYNVAYBARA-UHFFFAOYSA-N 0.000 claims abstract description 102
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical group CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 claims abstract description 72
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 claims abstract description 62
- IVSZLXZYQVIEFR-UHFFFAOYSA-N m-xylene Chemical group CC1=CC=CC(C)=C1 IVSZLXZYQVIEFR-UHFFFAOYSA-N 0.000 claims abstract description 56
- BKIMMITUMNQMOS-UHFFFAOYSA-N nonane Chemical compound CCCCCCCCC BKIMMITUMNQMOS-UHFFFAOYSA-N 0.000 claims abstract description 50
- BGHCVCJVXZWKCC-UHFFFAOYSA-N tetradecane Chemical compound CCCCCCCCCCCCCC BGHCVCJVXZWKCC-UHFFFAOYSA-N 0.000 claims abstract description 38
- 229940078552 o-xylene Drugs 0.000 claims abstract description 35
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 claims abstract description 32
- SNRUBQQJIBEYMU-UHFFFAOYSA-N dodecane Chemical compound CCCCCCCCCCCC SNRUBQQJIBEYMU-UHFFFAOYSA-N 0.000 claims abstract description 22
- 229940094933 n-dodecane Drugs 0.000 claims abstract description 22
- YCOZIPAWZNQLMR-UHFFFAOYSA-N heptane - octane Natural products CCCCCCCCCCCCCCC YCOZIPAWZNQLMR-UHFFFAOYSA-N 0.000 claims abstract description 19
- 239000003814 drug Substances 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 39
- 238000013058 risk prediction model Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 24
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000338 in vitro Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000004393 prognosis Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000011321 prophylaxis Methods 0.000 claims 1
- 229940079593 drug Drugs 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 abstract description 2
- 238000012377 drug delivery Methods 0.000 abstract 1
- 230000002349 favourable effect Effects 0.000 abstract 1
- 150000001875 compounds Chemical class 0.000 description 23
- 238000003795 desorption Methods 0.000 description 19
- 230000035945 sensitivity Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 239000008280 blood Substances 0.000 description 12
- 210000004369 blood Anatomy 0.000 description 12
- 239000000203 mixture Substances 0.000 description 9
- 210000002700 urine Anatomy 0.000 description 8
- 239000012855 volatile organic compound Substances 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- 239000003463 adsorbent Substances 0.000 description 6
- 238000001179 sorption measurement Methods 0.000 description 6
- 238000004451 qualitative analysis Methods 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 5
- 238000003556 assay Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 239000012159 carrier gas Substances 0.000 description 4
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 4
- 208000017169 kidney disease Diseases 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012353 t test Methods 0.000 description 4
- 238000000692 Student's t-test Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004159 blood analysis Methods 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 230000024924 glomerular filtration Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 201000008383 nephritis Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005353 urine analysis Methods 0.000 description 3
- 239000004809 Teflon Substances 0.000 description 2
- 229920006362 Teflon® Polymers 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000001307 helium Substances 0.000 description 2
- 229910052734 helium Inorganic materials 0.000 description 2
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000001819 mass spectrum Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000007342 Diabetic Nephropathies Diseases 0.000 description 1
- 206010018364 Glomerulonephritis Diseases 0.000 description 1
- 201000005569 Gout Diseases 0.000 description 1
- 201000004331 Henoch-Schoenlein purpura Diseases 0.000 description 1
- 206010019617 Henoch-Schonlein purpura Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000031814 IgA Vasculitis Diseases 0.000 description 1
- 206010029164 Nephrotic syndrome Diseases 0.000 description 1
- 206010037596 Pyelonephritis Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 210000001601 blood-air barrier Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 208000033679 diabetic kidney disease Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000028208 end stage renal disease Diseases 0.000 description 1
- 201000000523 end stage renal failure Diseases 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001631 hypertensive effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000015446 immunoglobulin a vasculitis Diseases 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 206010025135 lupus erythematosus Diseases 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 208000030761 polycystic kidney disease Diseases 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于生物医药技术领域，公开了早期慢性肾脏病的标志物及其用途。一种诊断和/或预测早期慢性肾脏病的标志物，所述标志物选自4‑庚酮、2‑甲基‑2‑丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷、正十四烷和苯乙烯中的一种或多种。本发明的标志物能准确地区分健康人和早期慢性肾脏病患者，有利于临床对症下药，且标志物来源于呼出气，因采样具有便捷、即时、无侵入性的优点，本发明具有重要应用价值。
Description
技术领域
本发明属于生物医药技术领域，具体涉及早期慢性肾脏病的标志物及其用途。
背景技术
慢性肾脏病严重危害着人类健康，据统计，慢性肾脏病在世界范围内的患病率高达10～15％，死亡率约为1.5％；我国的慢性肾脏病患病率为10.8％，但知晓率仅为12.5％，且发病率和死亡率居高不下。
慢性肾脏病是绝大多数的肾脏疾病的临床统称，如肾小球肾炎、隐匿性肾炎、肾盂肾炎、过敏性紫癜肾炎、红斑狼疮肾炎、痛风肾、IgA肾病、肾病综合征、膜性肾病、糖尿病肾病、高血压肾病、多囊肾肾病。其会导致慢性肾脏结构和功能障碍，如肾小球滤过率病理损伤、血液或尿液成分异常，及影像学检查异常，或肾小球滤过率下降。
根据肾小球滤过率(GFR)将慢性肾脏病分为5期，分别为1期、2期、3期、4期和5期，严重程度依次递增。GFR的单位为mL/(min·1.73m2)，当GFR≥90则为1期，当GFR为60～89时则为2期，当GFR为30～59时则为3期，当GFR为15～29时则为4期，当GFR＜15时则为5期。早期确诊和治疗有助于减缓和避免其发展为终末期肾病，从而提高治疗效果和降低治疗成本。目前慢性肾脏病诊断主要是血液和尿液分析，但是血液和尿液的收集不方便，且前处理过程复杂，难以做过高频率的检测，此外血液和尿液中的标志物存在灵敏度和特异性不足的问题。
相比于血液和尿液检测，呼气检测具有方便多次采集且更易于前处理，如果能及时诊断处于1期的慢性肾脏病，将有利于慢性肾脏病的及早治疗，提高治愈率。然而，目前还没有可识别1期慢性肾脏病的呼出气标志物。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供早期慢性肾脏病的标志物及其用途，以期解决现有技术中存在的问题。
为实现上述目的，本发明具体采用如下技术方案。
本发明的目的在于保护一种诊断和/或预测早期慢性肾脏病的标志物，所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷、正十四烷和苯乙烯中的一种或多种。
在本发明的某些实施方式中，所述标志物包括4-庚酮和正十二烷的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇和邻二甲苯的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇和正辛烷的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯和正辛烷的组合。
在本发明的某些实施方式中，所述挥标志物选自4-庚酮、2-甲基-2-丁醇、正十四烷和苯乙烯的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、邻二甲苯、间二甲苯和正壬烷的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷和间二甲苯的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯和正壬烷的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷和正十二烷的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷和正十四烷的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷、正十四烷和苯乙烯的组合。
在本发明的某些实施方式中，所述标志物来源于呼出气。优选地，为肺泡呼出气。
本发明的目的还在于保护检测如上文所述的标志物的物质在制备诊断和/或预测早期慢性肾脏病的产品中的用途。
在本发明的某些实施方式中，检测标志物的物质是指检测标志物的体积或质量浓度的物质。
本发明的目的还在于保护一种体外诊断和/或预测早期慢性肾脏病的产品，所述产品包括如上文所述的检测标志物的物质。
在本发明的某些实施方式中，所述产品包括试剂盒、膜条、芯片和检测系统中的至少一种。
优选地，所述检测系统选自气体传感系统或气相色谱仪。
本发明的目的还在于保护一种如上文所述的标志物的筛选方法，包括如下步骤：
检测受试者样本中的化合物的种类和含量，所述受试者包括1期慢性肾脏病患者与健康人；
对检测结果进行分析，得到1期慢性肾脏病患者与健康人之间有差异性的化合物，即所述的标志物。
在本发明的某些实施方式中，分析方法包括t检验或z检验分析，并计算得到P值，P值＜0.05的化合物，则为所述的标志物。
在本发明的某些实施方式中，所述样本为呼出气。优选地，为肺泡呼出气。
在本发明的某些实施方式中，检测所述化合物的方法为：
采用吸附剂富集受试者的呼出气；
采用热脱附仪对富集呼出气后的吸附剂进行热脱附，然后采用气相色谱-质谱联用法进行检测，对检测结果进行定性分析和定量分析，根据定性分析得到所述化合物的种类，根据定量分析得到所述化合物的含量。
本发明的目的还在于保护一种早期慢性肾脏病风险预测模型的构建方法，所述构建方法包括如下：
1)基于受试者样本中如上文所述的标志物的检出量构建样本数据集，其中受试者包括已确诊慢性肾脏病临床1期患者和健康人；
2)将所述样本数据集随机分割为测试集和训练集，使用机器学习方法学习所述训练集，得到所述的早期慢性肾脏病预测模型。
在本发明的某些实施方式中，所述机器学习方法选自随机森林算法、支持向量机算法、决策树算法、K近邻算法、逻辑回归算法、神经网络算法中的至少一种。在某些优选的实施方式中，为决策树算法。
在本发明的某些实施方式中，所述测试集和训练集的分割比为1：(1～3)。在某些优选的实施方式中，为1：2。
在本发明的某些实施方式中，还包括步骤3)利用测试集对所述慢性肾脏病临床分期预测模型进行测试。
本发明的目的还在于保护一种早期慢性肾脏病诊断用装置，所述装置包括：
数据模块，用于获取待测者样本中如上文所述的标志物的检出量数据；
评估模块，应用如上文所述的构建方法得到的慢性肾脏病临床分期预测模型对所述检出量数据进行处理，以输出慢性肾脏病临床分期结果。
本发明的目的还在于保护一种早期慢性肾脏病的筛查方法，包括如下步骤：
S1、获取待测者样本中如上文所述的标志物的检出量数据；
S2、应用如上文所述的构建方法得到的早期慢性肾脏病预测模型对所述检出量数据进行处理，以输出慢性肾脏病诊断结果。
在本发明的某些实施方式中，所述样本为呼出气。优选地，为肺泡呼出气。
本发明的目的还在于保护一种设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如上文所述的筛查方法或如上文所述的构建方法。
本发明的目的还在于保护，一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上文所述的筛查方法或如上文所述的构建方法。
本发明中通过对1期慢性肾脏病患者和健康人的呼出气中有机物进行大规模筛查，发现了4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷、正十四烷和苯乙烯这9种挥发性有机物含量在1期慢性肾脏病患者和健康人之间存在显著差异，因而将呼出气中的这9种化合物作为标志物用于预测慢性肾脏病早期诊断或预测。本发明还建立了早期慢性肾脏病风险预测模型，模型的灵敏度均大于等于86％，特异度均大于等于67％，准确率均大于等于74％，能较准确地区分健康人和慢性肾病患者。相比于血液和尿液检测，本发明采用呼出气中化合物作为标志物来诊断或预测早期慢性肾脏病，具有方便多次采集且更易于前处理的优势，此外将有利于确定临床治疗方法，对症下药，提高治愈率，因此本发明具有重要应用价值。
与现有技术相比，本发明具有以下有益效果：
1)本发明所涉及的标志物组合可应用于1期慢性肾脏病的大规模初筛。
2)相比血液和尿液分析，呼出气分析的采样具有便捷和即时的优点，因此通过呼出气来诊断慢性肾脏病将大大提高被检测者的顺从性和舒适性；采集过程无侵入性且简单快速。
附图说明
图1显示为本发明所使用的CO2控制呼出气采集装置的结构示意图。(A)图为呼出气中CO2<C50，呼出气未被收集；(B)图为呼出气中CO2≥C50，呼出气被收集在气袋中。
图2显示为本发明实施例2的早期慢性肾脏病风险预测模型示意图。
图3显示为本发明实施例3的早期慢性肾脏病风险预测模型示意图。
图4显示为本发明实施例4的早期慢性肾脏病风险预测模型示意图。
图5显示为本发明实施例5的早期慢性肾脏病风险预测模型示意图。
图6显示为本发明实施例6的早期慢性肾脏病风险预测模型示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
在进一步描述本发明具体实施方式之前，应理解，本发明的保护范围不局限于下述特定的具体实施方案；还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围。下列实施例中未注明具体条件的试验方法，通常按照常规条件，或者按照各制造商所建议的条件。
当实施例给出数值范围时，应理解，除非本发明另有说明，每个数值范围的两个端点以及两个端点之间任何一个数值均可选用。除非另外定义，本发明中使用的所有技术和科学术语与本技术领域技术人员通常理解的意义相同。除实施例中使用的具体方法、设备、材料外，根据本技术领域的技术人员对现有技术的掌握及本发明的记载，还可以使用与本发明实施例中所述的方法、设备、材料相似或等同的现有技术的任何方法、设备和材料来实现本发明。
针对目前慢性肾脏病诊断主要是血液和尿液分析，但是血液和尿液的收集不方便，且前处理过程复杂，难以做过高频率的检测，此外血液和尿液中的标志物存在灵敏度和特异性不足的问题。发明人提出了本专利申请。
本发明的内在原理是，人体组织发生病变之后，会引起人体新陈代谢的变化，造成血液中部分挥发性有机物浓度的变化，其中挥发性有机物能穿过肺部的血液-空气屏障从而其在呼出气中浓度会发生改变，因此可以通过检测呼出气中某些挥发性有机物物的浓度变化来识别疾病。
为了上述目的，本发明的目的之一在于保护一种诊断和/或预测早期慢性肾脏病的标志物，所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷、正十四烷和苯乙烯中的一种或多种。
在本发明的某些实施方式中，所述标志物包括4-庚酮和正十二烷的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇和邻二甲苯的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇和正辛烷的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯和正辛烷的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、2-甲基-2-丁醇、正十四烷和苯乙烯的组合。
在本发明的某些实施方式中，所述标志物选自4-庚酮、邻二甲苯、间二甲苯和正壬烷的组合。
在本发明的某些实施方式中，所述挥发性有机物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷和间二甲苯的组合。
在本发明的某些实施方式中，所述挥发性有机物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯和正壬烷的组合。
在本发明的某些实施方式中，所述挥发性有机物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷和正十二烷的组合。
1在本发明的某些实施方式中，所述挥发性有机物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷和正十四烷的组合。
1在本发明的某些实施方式中，所述挥发性有机物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷、正十四烷和苯乙烯的组合。
为了上述目的，本发明的目的之二在于保护检测如上文所述的标志物的物质在制备诊断和/或预测早期慢性肾脏病的产品中的用途。
在本发明的某些实施方式中，检测标志物的物质包括检测标志物的体积或质量浓度的物质。
为了上述目的，本发明的目的之三在于保护一种体外诊和/或预测早期断慢性肾脏病的产品，所述产品包括如上文所述用途中的检测标志物的物质。
在本发明的某些实施方式中，所述产品包括试剂盒、膜条、芯片和检测系统中的至少一种。
为了上述目的，本发明的目的之四在于保护一种如上文所述的标志物的筛选方法，包括如下步骤：
检测受试者样本中的化合物的种类和含量，所述受试者包括1期慢性肾脏病患者与健康人；
对检测结果进行分析，得到1期慢性肾脏病患者和健康人之间有差异性的化合物，即所述的标志物。
在本发明的某些实施方式中，所述样本为呼出气。优选地，为肺泡呼出气。
在本发明的某些实施方式中，分析方法包括t检验或z检验分析，并计算得到P值，P值＜0.05的化合物，则为所述的标志物。
在本发明的某些实施方式中，检测所述化合物的方法为：
采用吸附剂富集受试者的呼出气；
采用热脱附仪对富集呼出气后的吸附剂进行热脱附，然后采用气相色谱-质谱联用法进行检测，对检测结果进行定性分析和定量分析，根据定性分析得到所述化合物的种类，根据定量分析得到所述化合物的含量。
作为优选的实施方式，所述吸附剂选自Tenax、Carbograph、Chromosorb和PoraPak中的一种或多种。
作为优选的实施方式，所述热脱附的条件为：
一级脱附温度为280～320℃，脱附时间为5～15min；
二级脱附温度为300～340℃，脱附时间为2～8min；
传输线温度：180～220℃；
不分流。
作为优选的实施方式，所述气相色谱的测定条件为：
色谱柱：HP-5ms，长度30m×内径0.25mm×膜厚0.25μm；
载气：氦气纯度≥99.999％；
载气压力：(5～15)psi；
升温程序：初始温度30～50℃保持2～8min；接着以5～15℃/min的速率升至250～290℃保持2～8min。
作为优选的实施方式，所述质谱的测定条件为：
传输线温度：220～260℃；
电离方式：电子轰击(EI)；
离子化电压：60～80eV；
离子源温度：210～250℃；
四级杆温度：130～170℃；
检测模式：全扫描的总离子流图(TIC)定性，采用峰面积法进行半定量；
质量范围：35～390amu。
为了上述目的，本发明的目的之五在于保护一种早期慢性肾脏病风险预测模型的构建方法，所述构建方法包括如下：
1)基于受试者样本中如上文所述的标志物的检出量构建样本数据集，其中受试者包括已确诊慢性肾脏病临床1期患者和健康人；
2)将所述样本数据集随机分割为测试集和训练集，使用机器学习方法学习所述训练集，得到所述的早期慢性肾脏病预测模型。
在本发明的某些实施方式中，所述机器学习方法选自随机森林算法、支持向量机算法、决策树算法、K近邻算法、逻辑回归算法、神经网络算法中的至少一种。在某些优选的实施方式中，为决策树算法。
在本发明的某些实施方式中，所述测试集和训练集的分割比为1：(1～3)。在某些优选的实施方式中，为1：2。
在本发明的某些实施方式中，所述构建方法还包括步骤3)利用测试集对所述慢性肾脏病临床分期预测模型进行测试。
示例性的，早期慢性肾脏病风险预测模型如下：model<-rpart(formula,train_data)，其中，formula表示建模公式，train_data表示训练集数据。
如果想要查看每个样本是否为慢性肾脏病，可以输入代码：rpart_pred<-predict(model,test_data,type＝“class”)其中，model表示模型，test_data表示测试集数据，type＝“class”表示是否为慢性肾脏病。
本发明的早期慢性肾脏病风险预测模型的灵敏度均大于等于86％，特异度均大于等于67％，准确率均大于等于74％，显示了较好的预测能力。
为了上述目的，本发明的目的之六在于保护一种早期慢性肾脏病诊断用装置，所述装置包括：
数据模块，用于获取待测者样本中如上文所述的标志物的检出量数据；
评估模块，应用如上文所述的构建方法得到的慢性肾脏病临床分期预测模型对所述检出量数据进行处理，以输出慢性肾脏病临床分期结果。
为了上述目的，本发明的目的之七在于保护一种早期慢性肾脏病筛查的方法，包括如下步骤：
S1、获取待测者样本中如上文所述的标志物的检出量数据；
S2、应用如上文所述的构建方法得到的早期慢性肾脏病预测模型对所述检出量数据进行处理，以输出慢性肾脏病诊断结果。
在本发明的某些实施方式中，所述样本为呼出气。优选地，为肺泡呼出气。
为了上述目的，本发明的目的之八在于保护一种设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如上文所述的筛查方法或如上文所述的构建方法。
为了上述目的，本发明的目的之九在于保护一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上文所述的筛查方法或如上文所述的构建方法。
图1为本发明所使用的呼出气采集装置的结构示意图。本发明所使用的呼出气分析装置包括呼出气采集装置、吸附管、热脱附仪和气相色谱质谱联用仪。具体使用方法为，用CO2控制呼出气采集装置采集受试者的肺泡呼出气于特氟龙气袋中，然后将气袋中的呼出气转移至装有Tenax TA吸附材料的吸附管进行富集，将富集有呼出气成分的吸附管放入热脱附仪中进行加热使呼出气成分解吸附，解吸附的呼出气成分被递送至色谱柱为HP-5ms的气相色谱质谱联用仪进行检测。所使用的呼出气采集装置、吸附管、热脱附仪均为市场上现有装置。
本申请的下述实施例中采用UNITY-xr TD热脱附仪(英国Markes International公司)；8890/5977B气相色谱质谱联用仪(美国Agilent公司)；
热脱附的条件为：
一级脱附温度为300℃，脱附时间为10min；
二级脱附温度为320℃，脱附时间为3min；
传输线温度：200℃；
不分流。
气相色谱的测定条件为：
色谱柱：色谱柱：色谱柱HP-5ms，长度30m×内径0.25mm×膜厚0.25μm；
载气：氦气纯度≥99.999％；
载气压力：10psi；
升温程序：初始温度40℃保持5min；接着以10℃/min的速率升至270℃保持5min。
质谱的测定条件为：
传输线温度：240℃；
电离方式：电子轰击(EI)；
离子化电压：70eV；
离子源温度：230℃；
四级杆温度：150℃；
检测模式：全扫描的总离子流图(TIC)定性，采用峰面积法进行半定量；
质量范围：35～390amu。
本发明中选用的所有材料、试剂和仪器都是本领域熟知的，但不限制本发明的实施，其他本领域熟知的一些试剂和设备都可适用于本发明以下实施方式的实施。
实施例1
本实施例中，采用图1所示的CO2控制呼出气采集装置采集受试者的肺泡呼出气，并对收集到的肺泡呼出气进行分析，筛选出慢性肾脏病患者和健康人之间含量存在显著性差异的化合物作为标志物。包括如下：
受试者分组：包括慢性肾脏病患者组和健康对照组，其中慢性肾脏病患者组为21名1期慢性肾脏病患者，健康对照组为36名健康人。
慢性肾脏病患者组和健康对照组，在采集呼出气之前均用纯净水漱口。
方法设计：收集慢性肾脏病患者组和健康对照组的呼出气，预处理后采用气相色谱-质谱联用法分析呼出气，获取化合物色谱峰面积，单变量分析慢性肾脏病患者组和健康对照组的呼出气化合物色谱峰面积，筛选出慢性肾脏病患者组和对照组之间有显著差异的化合物。
1.1呼出气采集
基于Fowler模型，将呼出气CO2浓度增加50％(C50)用来区分解剖死腔呼出气和肺泡呼出气，呼出气低于C50时，采集装置不采集这部分呼出气；呼出气高于C50时，采集装置采集这部分呼出气于特氟龙气袋中，呼出气采集体积为3L。
1.2呼出气检测
将呼出气转移至装有Tenax TA吸附剂的吸附管进行富集，然后通过热脱附进样方式用气相色谱-质谱联用法进行检测，得到检测结果。
1.3检测结果分析
根据NIST14数据库和标准物质的保留时间，对步骤1.2得到的检测结果进行定性和定量分析，识别出呼出气中共16种化合物。
1.4挥发性有机物作为标志物的筛选
用t检验方法对慢性肾脏病患者组和健康对照组之间所识别的16种化合物的色谱峰面积进行比较，两组间有显著差异(P<0.05)的化合物即为标志物，共筛选出4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷、正十四烷和苯乙烯9种挥发性有机物，该9种挥发性有机物在慢性肾脏病患者组呼出气中的含量显著低于健康对照组。呼出气中化合物名称、保留时间、色谱峰面积及其t检验分析结果如表1所示。
表1
实施例2
本实施例中，基于实施例1中受试者的标志物的检出量构建样本数据集，并采用决策树算法学习，构建得到早期慢性肾脏病风险预测模型。包括如下：
1)将57例受试者呼出气样本随机平均分为3组，其中2组样本作为训练集，1组样本作为测试集，训练集和测试集的特征为4-庚酮和正十二烷的含量。
2)采用决策树模型学习训练集中的数据，得到早期慢性肾脏病风险预测模型。模型图见图2。
3)通过测试集的数据来评估早期慢性肾脏病风险预测模型，评价指标包括灵敏度、特异度和准确率，结果见表2。
灵敏度：正确识别出的1期慢性肾脏病患者占所有1期慢性肾脏病患者的比例。
特异度：正确识别出的健康人占所有健康人的比例。
准确率：正确识别出的1期慢性肾脏病患者和健康人占所有受试者的比例。
使用R软件(version 4.1.3)的caret软件包(6.0-92)构建早期慢性肾脏病风险预测模型并采用测试集进行验证。
a)采用决策树模型学习训练集，得到早期慢性肾脏病风险预测模型。
采用如下命令行：model<-rpart(formula,train_data)，其中，formula表示建模公式，train_data表示训练集数据。
b)将测试集代入早期慢性肾脏病风险预测模型中进行评估。
采用如下命令行：
rpart_pred<-predict(model,test_data,type＝“class”)其中，model表示模型，test_data表示测试集数据，type＝“class”表示是否为慢性肾脏病。
从表2可知，采用本发明的慢性肾脏病诊断模型区分健康人和1期慢性肾脏病患者的灵敏度为86％，特异度为67％，准确率为74％。
实施例3
本实施例中，基于采用实施例1中受试者的标志物的检出量构建样本数据集，并采用决策树算法学习，构建得到早期慢性肾脏病风险预测模型。包括如下：
1)将57例受试者呼出气样本随机平均分为3组，其中2组样本作为训练集，1组样本作为测试集，训练集和测试集的特征为4-庚酮、2-甲基-2-丁醇和邻二甲苯的含量。
2)采用决策树模型学习训练集，得到早期慢性肾脏病风险预测模型。模型图见图3。
3)通过测试集来评估早期慢性肾脏病风险预测模型，评估指标包括灵敏度、特异度和准确率，结果见表2。
从表2可知，采用本发明的早期慢性肾脏病风险预测模型健康人和1期慢性肾脏病患者的灵敏度为86％，特异度为83％，准确率为84％。
实施例4
本实施例中，基于实施例1中受试者的标志物的检出量构建样本数据集，并采用决策树算法学习，构建得到早期慢性肾脏病风险预测模型。包括如下：
1)将57例受试者呼出气样本随机平均分为3组，其中2组样本作为训练集，1组样本作为测试集，训练集和测试集的特征为中4-庚酮、2-甲基-2-丁醇和正辛烷的含量。
2)采用决策树模型学习训练集，得到早期慢性肾脏病风险预测模型。模型图见图4。
3)通过测试集来评估早期慢性肾脏病风险预测模型，评估指标包括灵敏度、特异度和准确率，结果见表2。
从表2可知，采用本发明的早期慢性肾脏病风险预测模型区分健康人和1期慢性肾脏病患者的灵敏度为86％，特异度为83％，准确率为84％。
实施例5
本实施例中，基于实施例1中受试者的标志物的检出量构建样本数据集，并采用决策树算法学习，构建得到早期慢性肾脏病风险预测模型。包括如下：
1)将57例受试者呼出气样本随机平均分为3组，其中2组样本作为训练集，1组样本作为测试集，训练集和测试集的特征为4-庚酮、2-甲基-2-丁醇、正十四烷和苯乙烯的含量。
2)采用决策树模型学习训练集，得到早期慢性肾脏病风险预测模型。模型图见图5。
3)通过测试集来评估早期慢性肾脏病风险预测模型，评估指标包括灵敏度、特异度和准确率，结果见表2。
从表2可知，采用本发明的早期慢性肾脏病风险预测模型区分健康人和1期慢性肾脏病患者的灵敏度为86％，特异度为75％，准确率为79％。
实施例6
本实施例中，基于实施例1中受试者的标志物的检出量构建样本数据集，并采用决策树算法学习，构建得到早期慢性肾脏病风险预测模型。包括如下：
1)将57例受试者呼出气样本随机平均分为3组，其中2组样本作为训练集，1组样本作为测试集，训练集和测试集的特征为4-庚酮、邻二甲苯、间二甲苯和正壬烷的含量。
2)采用决策树模型学习训练集，得到慢性肾脏病诊断模型。模型图见图6。
3)通过测试集来评估早期慢性肾脏病风险预测模型，评估指标包括灵敏度、特异度和准确率，结果见表2。
从表2可知，采用本发明的早期慢性肾脏病风险预测模型区分健康人和1期慢性肾脏病患者的灵敏度为86％，特异度为75％，准确率为79％。
表2
| 挥发性有机物组合 | 灵敏度(％) | 特异度(％) | 准确率(％) |
| 1、7 | 86 | 67 | 74 |
| 1、2、3 | 86 | 83 | 84 |
| 1、2、4 | 86 | 83 | 84 |
| 1、2、8、9 | 86 | 75 | 79 |
| 1、3、5、6 | 86 | 75 | 79 |
其中，表2中挥发性有机物组合1、7为表1中编号为1、7的组合物，即为4-庚酮和正十二烷的组合；1、2、3为表1中编号为1、2、3的组合物，即为4-庚酮、2-甲基-2-丁醇和邻二甲苯的组合；1、2、4为表1中编号为1、2、4的组合物，即为4-庚酮、2-甲基-2-丁醇和正辛烷的组合；1、2、8、9为表1中编号为1、2、8、9的组合物，即为4-庚酮、2-甲基-2-丁醇、正十四烷和苯乙烯的组合；1、3、5、6为表1中编号为1、3、5、6的组合物，即为4-庚酮、邻二甲苯、间二甲苯和正壬烷的组合。
从表2可知，构建的早期慢性肾脏病风险预测模型的灵敏度均大于等于86％，特异度均大于等于67％，准确率均大于等于74％，表明筛选的标志物作为特征构建的决策树模型能较准确地区分健康人和1期慢性肾病患者。
由此可见，4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷、正十四烷和苯乙烯9种标志物的组合可识别1期慢性肾脏病。
综上可知，本发明中通过对1期慢性肾脏病患者和健康人的呼出气中有机物进行大规模筛查，发现了4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷、正十四烷和苯乙烯这9种挥发性有机物含量在1期慢性肾脏病患者和健康人之间存在显著差异，因而将呼出气中的这9种化合物作为标志物用于慢性肾脏病早期诊断或预测。本发明还建立了早期慢性肾脏病风险预测模型，模型的灵敏度均大于等于86％，特异度均大于等于67％，准确率均大于等于74％，能较准确地区分健康人和慢性肾病患者。相比于血液和尿液检测，本发明采用呼出气中化合物作为标志物来诊断或预测早期慢性肾脏病，具有方便多次采集且更易于前处理的优势，此外将有利于确定临床治疗方法，对症下药，提高治愈率，因此本发明具有重要应用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种诊断和/或预测早期慢性肾脏病的标志物，其特征在于，所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷、正十四烷和苯乙烯中的一种或多种。
2.如权利要求1所述的标志物，其特征在于，包括如下技术特征中的至少一项：
1)所述标志物选自4-庚酮和正十二烷的组合；
2)所述标志物选自4-庚酮、2-甲基-2-丁醇和邻二甲苯的组合；
3)所述标志物选自4-庚酮、2-甲基-2-丁醇和正辛烷的组合；
4)所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯和正辛烷的组合；
5)所述标志物选自4-庚酮、2-甲基-2-丁醇、正十四烷和苯乙烯的组合；
6)所述标志物选自4-庚酮、邻二甲苯、间二甲苯和正壬烷的组合；
7)所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷和间二甲苯的组合；
8)所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯和正壬烷的组合；
9)所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷和正十二烷的组合；
10)所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷和正十四烷的组合；
11)所述标志物选自4-庚酮、2-甲基-2-丁醇、邻二甲苯、正辛烷、间二甲苯、正壬烷、正十二烷、正十四烷和苯乙烯的组合。
3.检测如权利要求1或2所述的标志物的物质在制备诊断和/或预测早期慢性肾脏病的产品中的用途。
4.如权利要求3所述的用途，其特征在于，检测标志物的物质包括检测标志物的体积或质量浓度的物质。
5.一种体外诊断和/或预测早期慢性肾脏病的产品，其特征在于，所述产品包括如权利要求3或4所述的用途中的检测标志物的物质。
6.如权利要求1或2所述的标志物或如权利要求5所述的产品在筛选治疗和/或预防慢性肾脏病药物中的用途。
7.一种早期慢性肾脏病风险预测模型的构建方法，其特征在于，所述构建方法包括如下：
1)基于受试者样本中如权利要求1所述的标志物的检出量构建样本数据集，其中受试者包括已确诊慢性肾脏病临床1期患者和健康人；
2)将所述样本数据集随机分割为测试集和训练集，使用机器学习方法学习所述训练集，得到所述的早期慢性肾脏病预测模型。
8.如权利要求7所述的构建方法，其特征在于，所述样本选自呼出气；
和/或，所述机器学习方法选自随机森林算法、支持向量机算法、决策树算法、K近邻算法、逻辑回归算法、神经网络算法中的至少一种；
和/或，所述测试集和训练集的分割比为1：(1～3)；
和/或，还包括步骤3)利用测试集对所述慢性肾脏病临床分期预测模型进行测试。
9.一种早期慢性肾脏病的筛查方法，其特征在于，包括如下步骤：
S1、获取待测者样本中如权利要求1所述的标志物的检出量数据；
S2、应用如权利要求7或8所述的构建方法得到的早期慢性肾脏病预测模型对所述检出量数据进行处理，以输出慢性肾脏病诊断结果。
10.一种早期慢性肾脏病诊断用装置，其特征在于，所述装置包括：，
数据模块，用于获取待测者样本中如权利要求1所述的标志物的检出量数据；
评估模块，应用如权利要求7或8所述的构建方法得到的慢性肾脏病临床分期预测模型对所述检出量数据进行处理，以输出慢性肾脏病诊断结果。
11.一种设备，包括处理器和存储器，所述存储器用于存储计算机程序，其特征在于，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行如权利要求9所述的筛查方法或如权利要求7或8所述的构建方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求9所述的筛查方法或如权利要求7或8所述的构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211257199.7A CN115993407A (zh) | 2022-10-14 | 2022-10-14 | 早期慢性肾脏病的标志物及其用途 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211257199.7A CN115993407A (zh) | 2022-10-14 | 2022-10-14 | 早期慢性肾脏病的标志物及其用途 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115993407A true CN115993407A (zh) | 2023-04-21 |
Family
ID=85990980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211257199.7A Pending CN115993407A (zh) | 2022-10-14 | 2022-10-14 | 早期慢性肾脏病的标志物及其用途 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115993407A (zh) |
-
2022
- 2022-10-14 CN CN202211257199.7A patent/CN115993407A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| De Vries et al. | Integration of electronic nose technology with spirometry: validation of a new approach for exhaled breath analysis | |
| Pizzini et al. | Analysis of volatile organic compounds in the breath of patients with stable or acute exacerbation of chronic obstructive pulmonary disease | |
| Saidi et al. | Exhaled breath analysis using electronic nose and gas chromatography–mass spectrometry for non-invasive diagnosis of chronic kidney disease, diabetes mellitus and healthy subjects | |
| Bønnelykke et al. | Association between respiratory infections in early life and later asthma is independent of virus type | |
| Montuschi et al. | Diagnostic performance of an electronic nose, fractional exhaled nitric oxide, and lung function testing in asthma | |
| Robroeks et al. | Metabolomics of volatile organic compounds in cystic fibrosis patients and controls | |
| de Gennaro et al. | Chemical characterization of exhaled breath to differentiate between patients with malignant plueral mesothelioma from subjects with similar professional asbestos exposure | |
| Jouaville et al. | Interrelationships among asthma, atopy, rhinitis and exhaled nitric oxide in a population‐based sample of children | |
| Tan et al. | Canadian prediction equations of spirometric lung function for Caucasian adults 20 to 90 years of age: results from the Canadian Obstructive Lung Disease (COLD) study and the Lung Health Canadian Environment (LHCE) study | |
| Cribbs et al. | Metabolomics of bronchoalveolar lavage differentiate healthy HIV-1-infected subjects from controls | |
| WO2010031788A1 (en) | Method for the diagnosis of chronic obstructive pulmonary disease by detecting volatile organic compounds in exhaled air | |
| Fortuna et al. | Diagnostic utility of inflammatory biomarkers in asthma: exhaled nitric oxide and induced sputum eosinophil count | |
| Dharmawardana et al. | A review of breath analysis techniques in head and neck cancer | |
| US20220050109A1 (en) | Method of detecting cancer and/or tuberculosis | |
| Jindal | Bronchial asthma: the Indian scene | |
| Čáp et al. | Analysis of exhaled leukotrienes in nonasthmatic adult patients with seasonal allergic rhinitis | |
| Zhu et al. | Factors associated with exhaled nitric oxide in children with asthma and allergic rhinitis | |
| Riise et al. | Subjects in a population study with high levels of FENO have associated eosinophil airway inflammation | |
| Ferdousi et al. | Bronchial hyper‐responsiveness predicts the development of mild clinical asthma within 2 yr in school children with hay‐fever | |
| Tsai et al. | Use of the electronic nose to screen for small airway dysfunction in schoolchildren | |
| CN115993407A (zh) | 早期慢性肾脏病的标志物及其用途 | |
| Klusackova et al. | Leukotrienes and 8-isoprostane in exhaled breath condensate in bronchoprovocation tests with occupational allergens | |
| US20230337936A1 (en) | A method for analysing a breath sample for screening, diagnosis or monitoring of SARS-CoV-2 carriage or infection (COVID-19) on humans | |
| Peel et al. | Changes in exhaled volatile organic compounds following indirect bronchial challenge in suspected asthma | |
| WO2011003922A1 (en) | Method for the diagnosis of asthma by detecting volatile organic compounds in exhaled air |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |